RefCon方法提升上下文演化智能体记忆提取质量
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对长交互产生噪声经验且重训昂贵的问题，RefCon结合顺序自精炼与并行自对比，无需真实标签即可提取高质量记忆。在AppWorld与BFCL-V3评测中，相对无扩展基线，ACE指标提升21.6%，ReMe提升16.6%；侧重多样性的变体DivCon在ReasoningBank上提升35.5%。该方法优于现有无真实标签基线，跨模型规模及软件工程任务泛化，甚至在软件工程任务超越真实标签基线，且随轨迹增加持续改善，不会像仅扩展多样性那样提早饱和。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载无需标签的记忆提取
长周期智能体交互会产生有用但含噪的经验，重新训练模型吸收这些经验成本高昂。RefCon方法旨在解决上下文演化智能体的记忆提取难题，使其能在不依赖真实标签的情况下，通过增加测试时计算量来提升记忆质量。该方法核心机制是将顺序自精炼与并行自对比相结合，从而从噪声经验中提取出更高质量的记忆。
评测增益与泛化表现
在AppWorld和BFCL-V3数据集上的评估显示，RefCon相比无扩展基线取得显著提升，ACE指标相对提升21.6%，ReMe指标相对提升16.6%。其侧重多样性的变体DivCon在ReasoningBank上实现了35.5%的增益。RefCon不仅稳定优于现有无真实标签基线，还能跨不同模型规模泛化，并在软件工程任务中超越了依赖真实标签的基线方案。
扩展效率与行为分析
研究还分析了准确率与token的权衡及扩展行为。结果表明，RefCon保持了良好的效率，并且随着使用轨迹数量的增加，性能能持续改善。相比之下，仅关注多样性的扩展方法在较早阶段就会出现性能饱和现象，这凸显了RefCon在测试时计算扩展上的优势。
为什么值得看
无需真实标签即可在测试时通过增加计算量持续提升记忆质量，为长交互智能体提供低成本经验吸收方案。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。